論文の概要: FPGA-Accelerated Neuromorphic Vision System for Real-Time Orbital Object Detection

• arxiv url: http://arxiv.org/abs/2606.20727v1
• Date: Wed, 17 Jun 2026 04:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 13:30:22.630916
• Title: FPGA-Accelerated Neuromorphic Vision System for Real-Time Orbital Object Detection
• Title（参考訳）: FPGAによる実時間軌道物体検出のためのニューロモルフィック・ビジョンシステム
• Authors: Diego Hernández, Sebastián Valdivia, Vicente Westerhout, Esteban Vera, Daniel Yunge,
• Abstract要約: 本研究では、FPGA加速のための基礎グリッドクラスタリングアルゴリズムを適用し、ニューロモルフィック常置空間オブジェクト(RSO)検出のための包括的フレームワークを提案する。 このシステムは、単一イベントベースカメラ(EBC)と独自の分散処理アーキテクチャを統合し、高速な空間量子化をプログラマブルロジック(FPGA)で実行し、クラスタ生成をソフトウェアクライアントが管理する。 EVASデータセットから夜間の観測を体系的にサンプリングし、このアーキテクチャを検証し、ROSの97%の精度を実証した。
• 参考スコア（独自算出の注目度）: 1.25052154879199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The escalating congestion in orbital space demands advanced monitoring solutions. This work presents a comprehensive open-source framework for neuromorphic resident space object (RSO) detection, adapting the foundational grid clustering algorithm for FPGA acceleration. The system integrates a single event-based camera (EBC) with a custom, distributed processing architecture, where rapid spatial quantization is executed in programmable logic (FPGA) and cluster formation is managed by a software client. We validate this architecture through systematic sampling of night-sky observations from the EVAS dataset, demonstrating 97% detection accuracy for RSOs. The implementation, which serves as a foundational toolkit for event-based FPGA processing, achieves efficient throughput with a total power consumption of 8.5 W and deterministic processing latencies below 62 ms. The architecture's energy efficiency and high-precision detection position it as a viable solution for distributed space surveillance networks.
• Abstract（参考訳）: 軌道空間における混雑の増大は、高度な監視ソリューションを必要とする。 本研究では,ニューロモルフィック常在空間オブジェクト(RSO)検出のための包括的オープンソースフレームワークを提案し,FPGAアクセラレーションのための基礎的グリッドクラスタリングアルゴリズムを適用した。 このシステムは、単一イベントベースカメラ(EBC)と独自の分散処理アーキテクチャを統合し、高速な空間量子化をプログラマブルロジック(FPGA)で実行し、クラスタ生成をソフトウェアクライアントが管理する。 EVASデータセットから夜間の観測を体系的にサンプリングし、このアーキテクチャを検証し、ROSの97%の精度を実証した。 イベントベースのFPGA処理の基本的なツールキットとして機能するこの実装は、総消費電力8.5W、決定論的処理レイテンシ62ms以下で効率的なスループットを実現する。

関連論文リスト

• Reconfigurable Computing Challenge: Real-Time Graph Neural Networks for Online Event Selection in Big Science [0.4054399764907913]
  本研究は、AMD Versal VCK190上でのベルII電磁量計ハードウェアトリガのための動的グラフニューラルネットワークのリアルタイム展開のためのエンドツーエンド実証実験である。 我々は,演算子融合,分割,マッピング,空間並列化,カーネルレベルの最適化を含むPythonベースの半自動設計フローを開発した。 私たちの設計では、エンドツーエンドのレイテンシ7.15マイクロ秒で、毎秒2.94万イベントのスループットを実現しています。
  論文  参考訳（メタデータ） (2026-05-11T14:10:06Z)
• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• Real-Time Object Detection and Classification using YOLO for Edge FPGAs [0.0]
  本稿では,FPGA 展開に最適化された YOLOv5 に基づく資源効率の高いリアルタイムオブジェクト検出・分類システムを提案する。 実験の結果,電力消費3.5W,処理速度9fps/秒(FPS)の分類精度が99%であった。 これらの知見は,エッジコンピューティングアプリケーションにおいて,リアルタイムかつ資源効率の高いオブジェクト検出と分類を可能にする手法の有効性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-07-24T08:17:37Z)
• SFATTI: Spiking FPGA Accelerator for Temporal Task-driven Inference -- A Case Study on MNIST [39.79758414095764]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動で時間的に疎らな性質のため、有望である。 本稿では,オープンソースのSpikeer+フレームワークを用いて手書き文字認識のための最適化SNNアクセラレータを生成する。
  論文  参考訳（メタデータ） (2025-07-04T08:22:13Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Co-designing a Sub-millisecond Latency Event-based Eye Tracking System with Submanifold Sparse CNN [8.613703056677457]
  アイトラッキング技術は多くの消費者向けエレクトロニクスアプリケーション、特に仮想現実および拡張現実(VR/AR)において不可欠である しかし、これらすべての面で最適なパフォーマンスを達成することは、非常に難しい課題である。 我々は,この課題に,システムとイベントカメラを併用したシナジスティックなソフトウェア/ハードウェアの共同設計を通じて対処する。 本システムでは,81%のp5精度,99.5%のp10精度,および3.71のMeanean Distanceを0.7msのレイテンシで実現し,1推論あたり2.29mJしか消費しない。
  論文  参考訳（メタデータ） (2024-04-22T15:28:42Z)
• Harnessing FPGA Technology for Enhanced Biomedical Computation [0.0]
  この研究は、CNN、Recurrent Neural Networks (RNN)、Long Short-Term Memory Networks (LSTMs)、Deep Belief Networks (DBNs)のような洗練されたニューラルネットワークフレームワークを掘り下げる。 レイテンシやスループットなどの性能指標を評価することにより,高度なバイオメディカルコンピューティングにおけるFPGAの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-21T08:51:58Z)
• Reconfigurable Distributed FPGA Cluster Design for Deep Learning Accelerators [59.11160990637615]
  エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。 提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
  論文  参考訳（メタデータ） (2023-05-24T16:08:55Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。